基于CIFAR模型将500张32*32像素的图片进行识别并将图片和标签组成键值对保存的代码

以下是一个基于CIFAR-10数据集对500张32x32像素的图片进行分类并保存键值对的示例代码：

import tensorflow as tf
import numpy as np
import os

# 加载CIFAR-10数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()

# 定义类别标签
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
               'dog', 'frog', 'horse', 'ship', 'truck']

# 定义模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10)
])

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=10)

# 预测图片分类并保存键值对
images = x_test[:500]
labels = y_test[:500]
predictions = model.predict(images)
predictions = np.argmax(predictions, axis=1)

if not os.path.exists('image_labels'):
    os.makedirs('image_labels')

for i in range(len(images)):
    image_name = f"image_{i}.png"
    image_label = class_names[labels[i][0]]
    prediction_label = class_names[predictions[i]]
    txt_file = open(f"image_labels/{image_name}.txt", "w")
    txt_file.write(f"Image: {image_name}\n")
    txt_file.write(f"True Label: {image_label}\n")
    txt_file.write(f"Predicted Label: {prediction_label}\n")
    txt_file.close()

代码中定义了一个包含两个卷积层和两个池化层的简单CNN模型，对CIFAR-10数据集进行训练，并使用模型对前500张测试图片进行分类预测，最终将图片名、真实标签和预测标签保存在文件夹`image_labels`中的txt文件中。